四个排序子句的区别

Hive 有四个控制排序与数据分发的子句。ORDER BY 保证全局有序，代价是强制只用一个 reducer；SORT BY 只在每个 reducer 内部排序，多个 reducer 的输出文件之间无序；DISTRIBUTE BY 只按列值把数据分发到不同 reducer，本身不排序；CLUSTER BY 等于 DISTRIBUTE BY 加同列升序 SORT BY，是简写形式且不支持降序。理解它们的组合规律就一条：DISTRIBUTE BY 决定数据落到哪个 reducer，SORT BY 决定每个 reducer 内部怎么排。

基本信息

典型使用场景

• 取 TopN：小结果集用 ORDER BY ... LIMIT，优化器会用堆排序只保留前 N 条，不必真的全排
• 按门店做聚合但要求同门店数据落同一 reducer：DISTRIBUTE BY store_id，避免跨 reducer 再合并
• 导出文件希望每个文件内部有序、便于下游归并读取：SORT BY 让每个 reducer 各自排好
• 分发列与排序列相同时用 CLUSTER BY 一行写清，例如 CLUSTER BY dt
• 多 reducer 写出后要保证某个键内全局有序：DISTRIBUTE BY key 再 SORT BY 同键，该键内即为全局有序

四种写法对照

-- 全局有序，只跑一个 reducer，务必带 LIMIT 控制数据量
SELECT store_id, order_id, pay_amt
FROM dwd_trade_order_di
WHERE dt = '2026-10-12'
ORDER BY pay_amt DESC
LIMIT 100;

-- 按门店分发，每个 reducer 内按金额降序；文件之间无序
SELECT store_id, order_id, pay_amt
FROM dwd_trade_order_di
WHERE dt = '2026-10-12'
DISTRIBUTE BY store_id
SORT BY pay_amt DESC;

-- 等价简写：按 store_id 分发并升序排序
SELECT store_id, order_id FROM dwd_trade_order_di CLUSTER BY store_id;

四个子句逐项对照